[論文レビュー] Artificial Intelligence Assisted Power Grid Hardening in Response to Extreme Weather Events

Rozhin Eskandarpour, Amin Khodaei+2 more|arXiv (Cornell University)|Oct 5, 2018

Power Systems Fault Detection参考文献 13被引用数 8

ひとこと要約

本稿では、極端な気象に対して電力グリッドのレジリエンスと経済効率性を共同で最適化するAI駆動のグリッドハーデニングフレームワークを提案する。機械学習モデルを用いて部品の停止を予測し、共最適化モデルを用いて分散型発電ユニットの最適配置を戦略的に行うことで、IEEE 118バス系統における複数の部品の停止リスクを低減し、システムの頑健性を向上させる。

ABSTRACT

In this paper, an artificial intelligence based grid hardening model is proposed with the objective of improving power grid resilience in response to extreme weather events. At first, a machine learning model is proposed to predict the component states (either operational or outage) in response to the extreme event. Then, these predictions are fed into a hardening model, which determines strategic locations for placement of distributed generation (DG) units. In contrast to existing literature in hardening and resilience enhancement, this paper co-optimizes grid economic and resilience objectives by considering the intricate dependencies of the two. The numerical simulations on the standard IEEE 118-bus test system illustrate the merits and applicability of the proposed hardening model. The results indicate that the proposed hardening model through decentralized and distributed local energy resources can produce a more robust solution that can protect the system significantly against multiple component outages due to an extreme event.

研究の動機と目的

• 極端な気象イベントに対する電力グリッドのレジリエンスをAI支援のハーデニングによって向上させること。
• グリッド計画における経済的およびレジリエンス的目標を共最適化すること。
• 機械学習を用いて極端な気象下での部品の停止をモデル化および予測すること。
• システムの頑健性を向上させるために、分散型発電（DG）ユニットの最適配置を特定すること。
• 分散型でAI駆動のハーデニングの有効性を標準テストシステム上で実証すること。

提案手法

• 極端な気象の影響に基づいて、部品の状態（稼働または停止）を予測する機械学習モデル。
• 予測された部品状態を、ハーディング最適化モデルの入力として使用する。
• 分散型発電（DG）ユニットの戦略的配置を通じて、レジリエンスと経済的目標を共最適化するハーディングモデル。
• 予測分析と運用意思決定を統合し、グリッドのレジリエンスを強化する。
• 経済的コストとレジリエンス性能の間の複雑な依存関係を最適化に組み込む。
• 数値シミュレーションをIEEE 118バステストシステム上で実施し、手法の有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、極端な気象による電力グリッドの部品停止をどれほど正確に予測できるか？
• RQ2 極端な気象下でレジリエンスを最大限に高めるために、分散型発電ユニットをどの位置に配置すべきか？
• RQ3 グリッドハーディングにおいて、経済的およびレジリエンス的目標をどのように共最適化できるか？
• RQ4 AI支援ハーディングは、複数の部品が同時に停止するリスクをどの程度低減するか？
• RQ5 提案されたフレームワークは、従来の手法と比較して、グリッドの頑健性をどの程度向上させるか？

主な発見

• 提案されたAI支援ハーディングモデルは、極端な気象イベントに対する電力グリッドのレジリエンスを顕著に向上させる。
• 戦略的なDG配置により、複数の部品が同時に停止するリスクに対するシステムの脆弱性が低減される。
• 経済的およびレジリエンス的目標の共最適化により、より頑健でコスト効率の良いソリューションが得られる。
• フレームワークは標準的なIEEE 118バス系統において応用可能で、有効性を示している。
• 分散型および分散型エネルギー資源は、極端な条件下でもシステムの頑健性を高める。
• 結果から、AI駆動の予測と最適化が、優れたレジリエンスの成果をもたらすことが確認された。